轻松恢复误删除的共享文件,DPM2007系列之六

简介:
误删文件不用愁, DPM 帮您解忧
         我们在之前的文章中介绍了如何利用DPMExchangeSQLSharepoint等服务器数据进行保护,本文中我们将为大家介绍用DPM2007保护客户机上的数据安全。长期以来,工程师对文件服务器的备份是一贯重视的,但对客户机上的数据安全一般就听之任之了。负责桌面维护的工程师一般并不会对客户机上的数据实现数据备份规划,一旦客户机上的数据被误删除了,用户往往只能自认倒霉。
         有了DPM服务器后,工程师可以很方便地对客户机上的数据备份实施统一管理。即使用户众多,借助于DPM良好的管理界面,工程师们仍然可以轻而易举地完成数据恢复工作。下面我们通过一个实例为大家介绍如何用DPM恢复XP客户机上的数据,如图1所示,XP1客户机上有一个Doc共享文件夹,存储了一些文件,我们的任务就是用DPM对这个共享文件夹进行备份及还原。
 
1
 
DPM服务器上打开DPM管理控制台,在“保护”标签下选择“创建保护组”,如图2所示,出现创建保护组向导,点击“下一步”继续。
2
 
我们选择XP客户机上的共享文件夹作为保护对象。
3
 
为保护组命名为XP,选择磁盘作为存储介质。
4
 
数据保护器及同步频率我们保持默认值不变。
 
5
 
如图6所示,我们选择立即创建一个数据副本。
6
如图7所示,对XP客户机上的数据保护已经完成。
7
 
备份完XP上的共享文件夹后,我们删除共享文件夹内的所有文件!然后利用DPM来实施恢复,打开DPM管理控制台,在“恢复”标签下选择恢复被保护的共享文件夹。
8
 
检查待恢复的共享文件夹,点击“下一步”继续。
9
 
选择把共享文件夹恢复到原始位置。
10
 
恢复了共享文件夹中的文件后,安全设置继承目标服务器上的现有设置。
11
 
如图12所示,恢复成功完成,接下来看看效果如何。
12
 
如图13所示,被删除的文件已经恢复原状,DPM再一次证明了它的能力。本文中我们针对的是XP客户机,但方法完全可以过渡到文件服务器上,有兴趣的朋友可以自行体验一下。
13
 













本文转自yuelei51CTO博客,原文链接:http://blog.51cto.com/yuelei/278155,如需转载请自行联系原作者


 
相关文章
|
8天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
298 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
307 155
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
846 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
239 113